Perbandingan Model Algoritma Particle Swarm Optimization Dan Algoritma Genetika Pada Penjadwalan Perkuliahan
BAB 1
PENDAHULUAN
1.1
Latar Belakang Masalah
Dasar algoritma particle swarm optimization yaitu segerombolan partikel terdiri dari
"n" partikel, dan posisi masing-masing partikel untuk mencari solusi potensial dalam
ruang D-dimensi. Partikel mengubah kondisinya sesuai dengan tiga prinsip berikut: a.
menjaga inersia (kecenderungan semua benda fisik untuk mengolah perubahan terhadap
keadaan geraknya), b. untuk mengubah kondisi sesuai dengan posisi yang paling
optimal, c. untuk mengubah kondisi sesuai dengan posisi kawanan yang paling optimal.
Setiap partikel dapat ditunjukkan oleh kecepatan dan posisi, posisi yang paling optimal
dari setiap individu dan posisi yang paling optimal dari sekitarnya (Bai, 2010).
Beberapa penelitian yang menggunakan algoritma PSO diantaranya adalah
penelitian yang dilakukan oleh Clerc M & J. Kennedy, (2002) membuat analisis
konvergensi metode dari sudut matematika, menganalisis stabilitas matrik kondisi
transmisi, mereka menemukan kondisi yang terbatas di mana partikel dapat bergerak
stabil, namun, tidak ada secara matematis membuktikan tentang konvergensi dan
kecepatan konvergensi tersebut. Penelitian (Bai, 2010) PSO dapat dipadukan dengan
algoritma optimasi cerdas lain, berarti menggabungkan keuntungan dari PSO dengan
keuntungan dari algoritma optimasi cerdas lain untuk menciptakan algoritma senyawa
yang memiliki nilai praktis. PSO mencari solusi optimal oleh pengalaman individu dan
kelompok, namun solusi dari masalah optimisasi tidak mungkin datang dari solusi
sebelumnya. Penelitian (Eberhart & Shi, 2001) parameter tertentu perlu disesuaikan dan
variabel acak akan dimasukkan untuk mendapatkan solusi optimum. Penelitian (Schutte
& Groenwold, 2005) mengusulkan bahwa setiap perubahan kecepatan pencarian agen
sebagai fungsi acak dari jarak antara titik dan local best, dan jarak antara titik global
best. PSO mensimulasikan perilaku kelompok burung, marikita misalkan skenario
berikut: a sekelompok burung secara acak mencari makanan di suatu daerah. Hanya ada
2
satu bagian makanan di daerah yang sedang dicari. Tidak semua burung tahu di mana
makanan. Tapi semua burung tahu seberapa jauh untuk pergi untuk mencari makanan.
Jadi apa strategi terbaik untuk menemukan makanan? Maka yang efektif adalah dengan
mengikuti burung yang terdekat dengan makanan (Hu, 2002). Penelitian (L. F. Hsieh
et. al, 2007) dibandingkan dengan ant system dalam menemukan solusi optimal dalam
rute perencanaan, hasil empiris menunjukkan bahwa dengan menerapkan PSO telah kita
capai kualitas optimal dalam jangka waktu yang diperlukan dalam cara yang efisien,
kemudian mengusulkan menggunakan GA untuk menemukan solusi awal, dan
menerapkan PSO untuk menemukan solusi optimal. Penelitian (Raisha AR, et. al, 2012)
Algoritma Particle Swarm Optimization (PSO) sebagai algoritma untuk penyelesaian
masalah optimasi dengan proses pembangkitan posisi dan velocity awal, update
velocity dan update posisi sebagai 3 tahapan utamanya sehingga didapatkan solusi
berupa jadwal kuliah.
Algoritma genetika (Genetic Algorithms) merupakan tipe Algoritma Evolusi yang
paling popular. Algoritma genetika berkembang seiring dengan perkembangan
teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan
berbagai masalah kompleks, algoritma ini banyak digunakan dalam bidang fisika,
biologi, ekonomi, sosiologi dan lain-lain yang sering menghadapi masalah optimasi
yang model matematikanya kompleks atau bahkan sulit dibangun. Dalam bidang
industri manufaktur. Pada penelitian (Mahmudy et. al, 2013b) Algoritma genetika
digunakan untuk perencanaan dan penjadwalan produksi. Pada penelitian (Ciptayani et.
al, 2009) Algoritma genetika juga bisa diterapkan untuk kompresi citra. Pada penelitian
(Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penugasan mengajar
bagi dosen. Pada penelitian (Mawaddah & Mahmudy, 2006) Algoritma genetika
digunakan untuk penjadwalan dan alokasi ruang ujian. Pada penelitian (Liliana &
Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penjadwalan kuliah.
Pada penelitian (Mahmudy, 2008a) Algoritma genetika digunakan untuk optimasi multi
travelling salesman problem (M-TSP), dan penyusunan rute dan jadwal kunjungan
wisata yang efisien (Widodo & Mahmudy, 2010). Dengan memanfaatkan model
algoritma particle swarm optimization dan model algoritma genetika pada penjadwalan
mata kuliah maka akan didapat perbandingan yang lebih optimal antara model algoritma
PSO dan model algoritma genetika. Penelitian (Gunawan et. al, 2004) menyelesaikan
masalah penjadwalan mata kuliah menggunakan tiga metode metaheuristic, yaitu:
3
simulated annealing (SA), tabu search (TS), dan genetic algorithm (GA). Penelitian
(Rosca, 2001) menggunakan genetic algorithm untuk menyusun jadwal ruangan pada
Universitas Bridgeport, hasil yang diperoleh dengan menggunakan uji coba 30 mata
kuliah dan 6 ruangan, dihasilkan jadwal ruangan yang layak setelah 10 sampai 15
generasi.
Alokasi dan penentuan dosen merupakan salah satu elemen penting dalam
menyusun jadwal kuliah di sebuah kampus. Selain itu juga merupakan permasalahan
umum yang selalu menjadi beban bagi bagian kurikulum di kampus tersebut. Dengan
keterbatasan jumlah dosen yang ada bagian program studi dituntut agar tetap bisa
memenuhi kebutuhan pelayanan kepada mahasiswa khususnya kelas-kelas yang ada.
Permasalahan tersebut merupakan masalah yang kompleks karena berhubungan dengan
jumlah dosen dan jumlah kelas yang ada. Sebenarnya permasalahan yang dihadapi
hampir di semua kampus adalah belum ada suatu sistem komputasi yang dibuat agar
dapat dipergunakan untuk menyusun jadwal kuliah. Hal ini juga banyak dialami oleh
kampus-kampus yang dalam segi kebutuhan dosen kurang memenuhi dan juga program
penjadwalan masih dilakukan dengan cara manual oleh pihak kampus. Hasil yang
diharapkan oleh pihak kampus adalah berupa jadwal kuliah berserta dosen dimasingmasing kelas. Selama ini penjadwalan dosen mengajar hampir di semua kampus masih
menggunakan cara konvensional. Hal ini tidak mudah dan membutuhkan pengaturan
yang rumit, karena masing-masing dosen tidak bisa bersamaan jadwal mengajarnya dan
tidak mungkin 1 (satu) orang dosen mengajar lebih dari 1 (satu) kelas pada saat yang
sama dalam satu waktu. Hal ini sangat mengganggu keefektifan waktu belajar
mahasiswa dan keefektifan dosen mengajar. Ada beberapa aspek yang dapat ditinjau
dalam menentukan jadwal mengajar dosen dalam satu kampus diantaranya adalah:
Jumlah dosen tiap-tiap bidang studi, jumlah kelas, hari bertugas dosen, jumlah jam
dosen dan sebagainya. Berdasarkan latar belakang masalah maka penulis tertarik
mengangkat judul penelitian ini yaitu “Perbandingan Model Particle Swarm
Optimization dan Algoritma Genetika Pada Penjadwalan Perkuliahan”.
1.2
Rumusan Masalah
Adapun rumusan masalah dalam penelitian ini adalah sebagai berikut:
Menggunakan model algoritma particle swarm optimization (PSO) dan algoritma
genetika untuk mendapatkan iterasi (generasi) terbaik, kemudian membandingkan
4
proses kerja algoritma particle swarm optimization (PSO) dan algoritma genetika dalam
mencapai iterasi (generasi) terbaik terhadap penjadwalan perkuliahan.
1.3
Tujuan Penelitian
Tujuan penelitian yang akan dicapai adalah:
1. Mengetahui tingkat kestabilan (stability) antara algoritma particle swarm
optimization (PSO) dan algoritma genetika dalam mencapai iterasi (generasi)
terbaik pada penjadwalan perkuliahan.
2. Menganalisis proses kerja algoritma particle swarm optimization dan
algoritma genetika terhadap penjadwalan perkuliahan.
1.4
Batasan Masalah
Agar penelitian ini lebih fokus maka objek kajian akan dibatasi sebagai berikut:
1. Algoritma yang digunakan adalah particle swarm optimization dan algoritma
genetika.
2. Masalah yang akan diteliti tentang penjadwalan perkuliahan.
3. Dalam pembuatan jadwal perkuliahan atribut yang digunakan adalah dosen
(tenaga pengajar), ruangan, grup mahasiswa, dan mata kuliah.
4. Sistem penjadwalan ini hanya untuk program studi dengan kelas regular.
1.5
Manfaat Penulisan
Melalui penelitian ini penulis mengetahui tingkat kestabilan (stability) antara algoritma
particle swarm optimization (PSO) dan algoritma genetika dalam mencapai iterasi
(generasi) terbaik pada penjadwalan perkuliahan, penulis memahami cara kerja kedua
algoritma tersebut, serta mengerti cara mengaplikasikannya pada komputer. Penulis
juga mengharapkan manfaat yang sama pada orang yang membaca dan memahami isi
dari pada penelitian ini dan juga berharap hasil penelitian ini dapat menjadi suatu acuan
dalam pengembangan ilmu pengetahuan bidang informatika komputer.
PENDAHULUAN
1.1
Latar Belakang Masalah
Dasar algoritma particle swarm optimization yaitu segerombolan partikel terdiri dari
"n" partikel, dan posisi masing-masing partikel untuk mencari solusi potensial dalam
ruang D-dimensi. Partikel mengubah kondisinya sesuai dengan tiga prinsip berikut: a.
menjaga inersia (kecenderungan semua benda fisik untuk mengolah perubahan terhadap
keadaan geraknya), b. untuk mengubah kondisi sesuai dengan posisi yang paling
optimal, c. untuk mengubah kondisi sesuai dengan posisi kawanan yang paling optimal.
Setiap partikel dapat ditunjukkan oleh kecepatan dan posisi, posisi yang paling optimal
dari setiap individu dan posisi yang paling optimal dari sekitarnya (Bai, 2010).
Beberapa penelitian yang menggunakan algoritma PSO diantaranya adalah
penelitian yang dilakukan oleh Clerc M & J. Kennedy, (2002) membuat analisis
konvergensi metode dari sudut matematika, menganalisis stabilitas matrik kondisi
transmisi, mereka menemukan kondisi yang terbatas di mana partikel dapat bergerak
stabil, namun, tidak ada secara matematis membuktikan tentang konvergensi dan
kecepatan konvergensi tersebut. Penelitian (Bai, 2010) PSO dapat dipadukan dengan
algoritma optimasi cerdas lain, berarti menggabungkan keuntungan dari PSO dengan
keuntungan dari algoritma optimasi cerdas lain untuk menciptakan algoritma senyawa
yang memiliki nilai praktis. PSO mencari solusi optimal oleh pengalaman individu dan
kelompok, namun solusi dari masalah optimisasi tidak mungkin datang dari solusi
sebelumnya. Penelitian (Eberhart & Shi, 2001) parameter tertentu perlu disesuaikan dan
variabel acak akan dimasukkan untuk mendapatkan solusi optimum. Penelitian (Schutte
& Groenwold, 2005) mengusulkan bahwa setiap perubahan kecepatan pencarian agen
sebagai fungsi acak dari jarak antara titik dan local best, dan jarak antara titik global
best. PSO mensimulasikan perilaku kelompok burung, marikita misalkan skenario
berikut: a sekelompok burung secara acak mencari makanan di suatu daerah. Hanya ada
2
satu bagian makanan di daerah yang sedang dicari. Tidak semua burung tahu di mana
makanan. Tapi semua burung tahu seberapa jauh untuk pergi untuk mencari makanan.
Jadi apa strategi terbaik untuk menemukan makanan? Maka yang efektif adalah dengan
mengikuti burung yang terdekat dengan makanan (Hu, 2002). Penelitian (L. F. Hsieh
et. al, 2007) dibandingkan dengan ant system dalam menemukan solusi optimal dalam
rute perencanaan, hasil empiris menunjukkan bahwa dengan menerapkan PSO telah kita
capai kualitas optimal dalam jangka waktu yang diperlukan dalam cara yang efisien,
kemudian mengusulkan menggunakan GA untuk menemukan solusi awal, dan
menerapkan PSO untuk menemukan solusi optimal. Penelitian (Raisha AR, et. al, 2012)
Algoritma Particle Swarm Optimization (PSO) sebagai algoritma untuk penyelesaian
masalah optimasi dengan proses pembangkitan posisi dan velocity awal, update
velocity dan update posisi sebagai 3 tahapan utamanya sehingga didapatkan solusi
berupa jadwal kuliah.
Algoritma genetika (Genetic Algorithms) merupakan tipe Algoritma Evolusi yang
paling popular. Algoritma genetika berkembang seiring dengan perkembangan
teknologi informasi yang sangat pesat. Karena kemampuannya untuk menyelesaikan
berbagai masalah kompleks, algoritma ini banyak digunakan dalam bidang fisika,
biologi, ekonomi, sosiologi dan lain-lain yang sering menghadapi masalah optimasi
yang model matematikanya kompleks atau bahkan sulit dibangun. Dalam bidang
industri manufaktur. Pada penelitian (Mahmudy et. al, 2013b) Algoritma genetika
digunakan untuk perencanaan dan penjadwalan produksi. Pada penelitian (Ciptayani et.
al, 2009) Algoritma genetika juga bisa diterapkan untuk kompresi citra. Pada penelitian
(Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penugasan mengajar
bagi dosen. Pada penelitian (Mawaddah & Mahmudy, 2006) Algoritma genetika
digunakan untuk penjadwalan dan alokasi ruang ujian. Pada penelitian (Liliana &
Mahmudy, 2006) Algoritma genetika digunakan untuk optimasi penjadwalan kuliah.
Pada penelitian (Mahmudy, 2008a) Algoritma genetika digunakan untuk optimasi multi
travelling salesman problem (M-TSP), dan penyusunan rute dan jadwal kunjungan
wisata yang efisien (Widodo & Mahmudy, 2010). Dengan memanfaatkan model
algoritma particle swarm optimization dan model algoritma genetika pada penjadwalan
mata kuliah maka akan didapat perbandingan yang lebih optimal antara model algoritma
PSO dan model algoritma genetika. Penelitian (Gunawan et. al, 2004) menyelesaikan
masalah penjadwalan mata kuliah menggunakan tiga metode metaheuristic, yaitu:
3
simulated annealing (SA), tabu search (TS), dan genetic algorithm (GA). Penelitian
(Rosca, 2001) menggunakan genetic algorithm untuk menyusun jadwal ruangan pada
Universitas Bridgeport, hasil yang diperoleh dengan menggunakan uji coba 30 mata
kuliah dan 6 ruangan, dihasilkan jadwal ruangan yang layak setelah 10 sampai 15
generasi.
Alokasi dan penentuan dosen merupakan salah satu elemen penting dalam
menyusun jadwal kuliah di sebuah kampus. Selain itu juga merupakan permasalahan
umum yang selalu menjadi beban bagi bagian kurikulum di kampus tersebut. Dengan
keterbatasan jumlah dosen yang ada bagian program studi dituntut agar tetap bisa
memenuhi kebutuhan pelayanan kepada mahasiswa khususnya kelas-kelas yang ada.
Permasalahan tersebut merupakan masalah yang kompleks karena berhubungan dengan
jumlah dosen dan jumlah kelas yang ada. Sebenarnya permasalahan yang dihadapi
hampir di semua kampus adalah belum ada suatu sistem komputasi yang dibuat agar
dapat dipergunakan untuk menyusun jadwal kuliah. Hal ini juga banyak dialami oleh
kampus-kampus yang dalam segi kebutuhan dosen kurang memenuhi dan juga program
penjadwalan masih dilakukan dengan cara manual oleh pihak kampus. Hasil yang
diharapkan oleh pihak kampus adalah berupa jadwal kuliah berserta dosen dimasingmasing kelas. Selama ini penjadwalan dosen mengajar hampir di semua kampus masih
menggunakan cara konvensional. Hal ini tidak mudah dan membutuhkan pengaturan
yang rumit, karena masing-masing dosen tidak bisa bersamaan jadwal mengajarnya dan
tidak mungkin 1 (satu) orang dosen mengajar lebih dari 1 (satu) kelas pada saat yang
sama dalam satu waktu. Hal ini sangat mengganggu keefektifan waktu belajar
mahasiswa dan keefektifan dosen mengajar. Ada beberapa aspek yang dapat ditinjau
dalam menentukan jadwal mengajar dosen dalam satu kampus diantaranya adalah:
Jumlah dosen tiap-tiap bidang studi, jumlah kelas, hari bertugas dosen, jumlah jam
dosen dan sebagainya. Berdasarkan latar belakang masalah maka penulis tertarik
mengangkat judul penelitian ini yaitu “Perbandingan Model Particle Swarm
Optimization dan Algoritma Genetika Pada Penjadwalan Perkuliahan”.
1.2
Rumusan Masalah
Adapun rumusan masalah dalam penelitian ini adalah sebagai berikut:
Menggunakan model algoritma particle swarm optimization (PSO) dan algoritma
genetika untuk mendapatkan iterasi (generasi) terbaik, kemudian membandingkan
4
proses kerja algoritma particle swarm optimization (PSO) dan algoritma genetika dalam
mencapai iterasi (generasi) terbaik terhadap penjadwalan perkuliahan.
1.3
Tujuan Penelitian
Tujuan penelitian yang akan dicapai adalah:
1. Mengetahui tingkat kestabilan (stability) antara algoritma particle swarm
optimization (PSO) dan algoritma genetika dalam mencapai iterasi (generasi)
terbaik pada penjadwalan perkuliahan.
2. Menganalisis proses kerja algoritma particle swarm optimization dan
algoritma genetika terhadap penjadwalan perkuliahan.
1.4
Batasan Masalah
Agar penelitian ini lebih fokus maka objek kajian akan dibatasi sebagai berikut:
1. Algoritma yang digunakan adalah particle swarm optimization dan algoritma
genetika.
2. Masalah yang akan diteliti tentang penjadwalan perkuliahan.
3. Dalam pembuatan jadwal perkuliahan atribut yang digunakan adalah dosen
(tenaga pengajar), ruangan, grup mahasiswa, dan mata kuliah.
4. Sistem penjadwalan ini hanya untuk program studi dengan kelas regular.
1.5
Manfaat Penulisan
Melalui penelitian ini penulis mengetahui tingkat kestabilan (stability) antara algoritma
particle swarm optimization (PSO) dan algoritma genetika dalam mencapai iterasi
(generasi) terbaik pada penjadwalan perkuliahan, penulis memahami cara kerja kedua
algoritma tersebut, serta mengerti cara mengaplikasikannya pada komputer. Penulis
juga mengharapkan manfaat yang sama pada orang yang membaca dan memahami isi
dari pada penelitian ini dan juga berharap hasil penelitian ini dapat menjadi suatu acuan
dalam pengembangan ilmu pengetahuan bidang informatika komputer.